基于差分定位的LBS 服务在智能网联汽车测试评价中的应用及优化

2021-03-11甘正男

智能物联技术 2021年2期

甘正男

（中电海康集团有限公司，杭州浙江 310013）

0 引言

智能网联汽车测试和评价的目标，就是在以不降低汽车行驶安全性为前提条件下，全面评价智能网联汽车的各项性能[1]。现有的测试评价体系将智能网联汽车测试评价方法和汽车整车的产品开发过程融为一体，按照产品开发过程的模型，在不同阶段分别使用不同的测试评价方法，从而可以指导整个产品从开发阶段到设计阶段的测试评价过程。现有测试评价体系的内容包括：感知数据的采集、测试平台搭建及仿真模型（包括模型在环MIL 阶段、软件在环SIL 阶段、硬件在环HIL 阶段）的验证、受控测试、实证试验等[1]。从国际上对测试评价体系内容分级的要求来看，目前对感知数据的采集大多停留在保证仿真模拟中的感知场景各类数据的被动采集的过程，无论是通过现场驾驶环境采集、权威机构发布数据还是自动驾驶安全性分析数据，通常针对车辆本身在测试评价中的数据上传，来被动地将数据进行上报和采集。但缺乏针对现场测试环境和车辆本身的交互数据，例如车辆在现场驾驶环境中的相对位置、行驶轨迹等相关的基于位置的交互型动态数据。

自动驾驶全新评估和测试方法（New Assessment/Test Method for Automated Driving，NATM）自联合国车辆法规协调论坛自动驾驶与网联汽车工作组自动驾驶测试评价方法非正式工作组VMAD 第五次会议提出以来，已通过意见征集和会议讨论等形式形成“场景目录（SG 1a）”、“测试场景研究、审核评估、仿真测试与使用监管（SG 2a）”、“封闭场地与开放道路测试（SG 2b）”以及“测试方法之间相互关系”等相关内容和研究方向的确立。在测试场景方面，与会专家就测试场景与车辆设计运行范围关系、场景在测试过程中的应用这两点问题发表了相关观点。专家指出，在道路数据感知采集和测试道路铺设的过程中，不能仅仅有被动数据的采集，更需要全方位的环境因素感知和数据上报。在审核评估、仿真测试与使用监督方面，专家重点讨论了高精度定位的实施方法及在用车管理环节使用报告的必要性。

2020 年7 月10 日，联合国车辆法规协调论坛自动驾驶与网联汽车工作组自动驾驶测试评价方法非正式工作组（WP29/GRVA/VMAD）第八次会议以网络会议的形式召开，中国代表全程参与并分享了中国在自动驾驶测试领域的现状和研究成果，指出了高精度定位服务在测试评价体系中的重要作用和实际应用中可视化平台的优秀表现，以此共同推动自动驾驶技术的发展和应用。 2020 年9 月15日，由全国汽车标准化技术委员会主办、汽标委智能网联汽车分技术委员会承办的第六届智能网联汽车技术及标准法规国际交流会（ICV 2020）中，明确提出了需要讨论自动驾驶测试场景研究与车辆测试评价办法研究中基于地理位置信息服务的应用，并进一步提出在地理位置数据服务下对自动驾驶公共道路测试、应用示范及商业化运行的相关标准的确立。本文将以差分定位技术为核心实现的LBS 服务来对以上测试评价过程中凸显的问题进行解决。

1 LBS 服务在智能网联车辆测试评价中的应用

1.1 差分定位技术

差分GPS 定位通常使用一台GPS 基准接收机（通常称之为基准站）和一台用户接收机（通常称之为移动站），利用实时或事后处理技术，就可以使用户测量相对位置时消去公共的误差源，如卫星轨道误差、卫星钟差、大气延时导致的误差、多路径效应产生的误差等。

通常根据差分GPS 基准站所发送信息的方式可以将差分定位分为三类，即：位置差分、伪距差分和载波相位差分。这三类差分定位的工作原理是类似的，即都是通过基准站发送修正数据，并由用户站接收并对其测量结果进行修正，从而获得精确的定位结果。三种方式的差异在于发送修正数据的具体内容有所区别，直接导致了其差分定位精度各有不同。

1.1.1 位置差分

位置差分是最简单的差分方法，任何一种GPS接收机都可以改装和组成这种差分定位系统。其原理是通过安装在基准站上的GPS 接收机观测4 颗卫星的实时位置进行三维定位，并解算出基准站的坐标。但由于存在着轨道误差、时钟误差、SA（Selective Arailability）影响误差、大气影响产生的误差、多径效应以及其他误差的影响，解算出来的坐标与基准站的确定坐标是不同的，存在一定的偏差。我们可以通过基准站，利用数据链将这个改正数据发送出去，由用户站接收收据，并对其解算的用户站坐标进行修正。最终在用户站得到修正后的用户坐标已经消去了基准站和用户站的共同误差。但位置差分需要修正误差的前提是基准站和用户站观测的是同一组卫星。因此，位置差分定位法通常只适用于用户与基准站之间的距离在100km 之内的情况，否则可能会存在误差无法修正而导致的位置偏移。

1.1.2 伪距差分

伪距差分是目前应用最广泛的一种差分定位技术，基本上大部分的差分定位技术服务提供商都用的是这种技术。目前利用伪距差分定位法定位的精度可以达到亚米级别。同时，伪距差分也是国际海事无线电委员会RTCM SC-104 标准推荐的定位数据格式。

伪距差分定位技术的本质是在基准站上的接收机通过计算被测量目标到其可见卫星的距离，并将这个计算出来的距离与含有误差的测量值进行比较，利用一个α-β 滤波器将这个差值进行滤波并计算出相应的偏差值，然后将所有卫星的测距误差传输给用户本身，通过这个测距误差来对测量的伪距进行修正。最终用户将利用修正后的伪距来解出本身的位置，以此来消去公共误差，从而提高定位的精度。

与位置差分定位原理相似的是，伪距差分技术能够消除两个基站之间的公共误差，但随着用户到基准站距离的增加，又会导致系统误差的增加，而这种系统误差是无法被技术抵消或纠正的。因此，用户和基准站之间的距离对最终结果的精度有决定性的影响。

1.1.3 载波相位差分（RTK）

载波相位差分技术又被称为RTK 技术（Real Time Kinematic），是在能够及时处理两个测距站的载波相位的基础上建立的。载波相位差分定位技术能够实时提供观测点的三维坐标，并达到厘米级的高精度水准。

和伪距差分定位原理类似，基准站通过数据链的格式及时地将其载波观测值以及基准站坐标信息一同传送给用户站，用户站通过接收GPS 卫星的载波相位和来自基准站的载波相位，组成相位差分观测值并进行处理，从而及时给出厘米级的定位结果。

目前实现载波相位差分GPS 的方法主要分为两类：修正法和差分法。修正法和伪距差分相同，通过基准站把载波相位修正量发送给用户站，从而改正其载波相位并求得相应坐标。差分法主要通过把基准站采集的载波相位发送给用户站进行求差解算坐标。前者是准RTK 技术，后者是真正的RTK技术。

1.2 CORS 服务架构及在测试评价中的应用

1.2.1 CORS 服务架构

CORS 是 Continuously Operating Reference Stations 的英文缩写，即“连续运行参考站”。 CORS是一种利用全球导航卫星系统、计算机技术、互联网数据通信技术等，在一个区域、城市或国家按照需求，根据一定距离建立长年连续运行的若干个固定GNSS 参考站组成的网络系统，而这个连续运行的参考站是运用了网络RTK 系统的一种基础硬件设施。

目前国内比较知名的千寻CORS 服务主要分为三个精度，分别是千寻跬步（亚米级高精度CORS 服务）、千寻知寸（厘米级高精度CORS 服务）、千寻见微（静态毫米级高精度CORS 服务）。依托于遍布全国的卫星地基增强站，该服务采用标准NTRIP 协议和RTCM 差分电文，支持目前主流品牌的RTK，其作用相当于一个巨型基站，客户仅需要一个移动站，就可以开始测量工作。目前千寻CORS 服务的覆盖范围广，采用了分布式云计算技术，可以支持用户大规模同时访问请求，并且响应速度快、精度较高、硬件设备匹配度高、能够提供多需求下的全国范围内的高精度定位服务。如图1 所示为CORS 系统服务的组成。

图1 CORS 系统服务的组成Figure 1 The composition of CORS system services

1.2.2 CORS 服务在测试评价环境中的应用

笔者在2019 年12 月26 日15 时雪天定位时，测试环境中的CORS 网络差分定位服务突然出现了异常的误差波动，大幅降低了定位精度。在事后通过对天气条件（雪天天气）的试验数据分析发现，在刚下雪时，由于对流层的突然变化，导致对流层对卫星信号传输的延迟突然增高，从而导致定位精度产生了较大偏差，而这种异常的波动通常来说毫无规律性可言。因为CORS 网络差分定位数据中接收到对流层突变信息，才能改变对流层延迟模型并进行差分数据调整，所以在调整对流层延迟模型这个延迟过程中，会对定位服务的精度产生较大影响。这种不稳定的现象会对点定位精度产生较大影响，也会对由点形成的无人驾驶车辆行驶的轨迹产生较大影响，导致车辆偏离自己的行驶轨迹，转向系统将会不停工作，而不能保持一定的行驶路径，会造成交通事故的发生。

我们都知道地球并不是一个规则的球体，但可以近似看作为一个椭球体。由于地球地平面的凹凸不平，利用北斗卫星测量得到的只是经纬度和高度坐标，对于智能网联汽车并没有直接的用途。因此需要将大地坐标系中的经纬度和高度等值转化为空间直角坐标系内的相对坐标值，从而获得智能网联汽车的相对位置。

我们通常用高斯投影公式将经纬度数值转化为高斯直角坐标系来提供给车辆。高斯投影是假定有一个椭圆柱面横套在地球椭球体外面，并与一条中央子午线相切，椭圆柱的中心轴穿过椭球体中心，然后用一定的投影方法，将中央子午线两侧各一定经差范围内的地区投影到椭圆柱面上，将此柱面展开就成为高斯直角坐标系[2]。

2 基于差分定位的LBS 服务误差优化算法及路测应用优化

2.1 误差优化算法分析

在实际的道路测试环境中，由于CORS 差分服务无法消除的误差因素和实际道路环境的复杂性因素的共同影响下，仍然无法单纯利用差分定位服务来对智能网联汽车实现精确控制。而基于道路行驶安全性和智能网联汽车发展可靠性要求来看，通常要求智能网联汽车达到毫米级的精准控制，同时对数据上报的频率和安全性也有相应要求。因此需要对现存的设备与应用在硬件和软件上进行相应加装及优化处理。

从硬件上来看，摄像头、激光雷达、毫米波雷达和IMU（Inertial Measurement Unit）惯性测量单元的设备是自动驾驶车辆中常用到的一系列传感器。其中摄像头、激光雷达、毫米波雷达的数量和传感及运算效果会直接影响自动驾驶的等级，而IMU 惯性测量单元则主要用来提供相对精准的定位信息。IMU 惯性测量单元通常由陀螺仪、加速计和算法处理单元组成，通过对加速度和旋转角度的测量得出自体的运动轨迹，拥有更高的更新频率，而且不受信号影响。通常将IMU 与GNSS 单元一起形成组合惯导的硬件单元。

GPS 是一个相对准确的定位用传感器，也是网络差分服务的主要数据传输中心，但是它的更新频率过低，仅有10Hz，不足以提供实时的位置更新。IMU 有着GPS 所欠缺的实时性，更新频率可以达到100Hz 或者更高。IMU 传感系统通过高达100Hz频率的全球定位和惯性更新数据，目前应用在自动驾驶系统中，辅助完成定位。通过整合CORS 网络差分服务与GPS/IMU 的服务数据形成实时位置和惯性导航互相修正的定位结果，我们可以为车辆定位提供既准确又足够实时的位置更新。

GPS 和IMU 组合，就是为了融合IMU 的航向速度、角速度和加速度信息，来提高GPS 的精度和抗干扰能力。 IMU 相对GPS 来说，能提供补全导航信息，因为GPS 本身只提供位置信息，IMU 还可以提供航向姿态信息，这个是车辆控制里的基本信息。

从软件算法上来看，目前定位服务产生的数据误差主要来源于时钟误差、大气误差、环境误差和网络波动误差等，特别是针对移动物体的高精度定位。针对一些短时间内波动较大的误差，我们可以通过航迹推算定位法来对其进行修正，但航迹推算定位法也只能在短时间内保持高精度，之后便会随着时间的推移而产生越来越多的累积误差，因此航迹推算定位法作为CORS 网络差分服务中短时间内的辅助算法有很好的效果。

航迹推算（DR）是一种非常常见的定位优化算法，也较广泛地应用在智能网联汽车的定位系统中。 CORS 网络差分定位和DR 切换融合定位原理如图2 所示。卫星定位系统首先根据接收机观测到的卫星数量和几何分布结构，确定卫星是否有效及定位精度波动情况。当卫星定位的误差小于波动阈值时，利用CORS 网络差分定位服务，同时输出的定位数据更新DR 定位系统的初始值；但当卫星定位无效时，系统就会自动切换到DR 定位系统。因为DR 传感器会随着时间的推移而产生误差堆积，因此当CORS 差分服务再次满足精度要求时，便会立即输出卫星定位数据并同时更新DR 定位系统的初始值并消除误差。

图2 切换融合定位原理图Figure2 Schematic diagram of handover fusion positioning

2.2 路测应用优化改进

在智能网联汽车实际的道路测试评价中，通常会遇到一些隧道、高架桥遮蔽、基站信号交界处等CORS 服务不稳定或GPS 信号丢失的情况，而通过GNSS/IMU 的组合惯性导航的方法，可以提高传感数据更新频率，增加航向速度、角速度和加速度等位置方向信息，并结合GPS 信号惯导推演等方式，对一些信号弱、受干扰严重的实际道路环境定位数据的误差进行优化。但由于目前GPS 波动的情况较为复杂繁多，在实际应用中存在较长时间将IMU 惯导作为主要导航方法的情况，这也导致了导航精度的迅速下降。因此，考虑到实际应用情况，我们应对IMU 惯导环境下的误差修正方法进行优化。

我们根据IMU 传感器数据特性，建立了基于扩展卡尔曼滤波和无迹卡尔曼滤波的惯性导航系统（Inertial Navigation System， INS）模型，同时基于汽车行驶过程中高精度定位的要求，参考并应用了针对智能网联汽车的基于非线性自适应回归（nonlinear autoregressive exogenous， NARX）神经网络的GPS/IMU 组合惯导算法[3]。在GPS/INS 数据融合算法中，国内外应用最多的是卡尔曼滤波算法及其改进的非线性滤波算法，通过估计车辆动力学（侧滑、航线、纵向速度）得出的仿真对比结果显示，轮胎区域在线性区域内时，非线性卡尔曼滤波算法的状态估计结果优于卡尔曼滤波结果。同时研究结果表明，一种基于加权的平方根容积卡尔曼滤波算法，能够有效提高GPS/INS 组合惯导中导航系统对测量噪声统计不确定的自适应能力与导航性能[4]。而经过进一步的算法优化之后发现，改进径向基神经网络结合自适应滤波辅助的组合系统导航算法，能够算出稳定的次优导航解，其定位精度明显优于纯INS 导航算法。其中基于随机森林回归的GPS/INS集成定位法，可以提供连续、准确、可靠的导航方案解。也正是NARX 神经网络在非线性问题的时间序列预测方面有着很强的非线性动态描述能力，因此NARX 神经网络常被用于解决非线性、动态问题的预测上，而车辆精准定位导航也正是此类问题之一。

实际应用中的优化选用以扩展卡尔曼滤波器（extended Kalman filter， EKF）为基础并结合非线性自回归网络（NARX）神经网络算法对车辆位置进行实时动态预测的组合惯导模型，能够有效提升在GPS 信号不正常、波动幅度大、受干扰严重等情况下的定位精度，基本满足道路实测中对智能网联汽车的测试评价定位要求。

此外，在能够获取智能网联汽车的精确定位之后，我们还需要确保数据在本地完整存储的条件下，能够适时测试评价数据断点续传功能。结合测试评价通常存在异地评价和多复杂道路环境评价的特点，数据必须具有实时性、适用性、可靠性和安全性。在数据本地保存的冗余机制下，断点续传功能能够更好地使数据获得应用和展现。